[发明专利]一种基于机器学习的井间连通性评价方法

权利要求书

1.一种基于机器学习的井间连通性评价方法，其特征在于，包括：

1)根据数值模拟技术获取样本的动态数据集和静态数据集，样本的动态数据集包括生产井和注入井的动态数据，包括：生产井的产量、产水率和井底流压，以及注水井的注入量和井底流压，静态数据集为样本所在区域的平均渗透率；

2)对生产井的动态数据集进行特征关联性提取，得到经过特征关联性提取后的动态数据集，包括：S21，以井号对动态数据进行分类得到生产井动态数据集，求解生产井的协方差矩阵，得到特征向量与对应的特征矩阵；S22，选取特征向量中的最大值以及对应的特征向量；S23，将生产井动态数据集与特征向量中的最大值对应的所述特征向量相乘，得到动态生产井的数据经由特征关联性提取后的样本数据集；

3)对经由步骤2)处理的动态数据集与储层样本中的静态数据集进行归一化处理；

4)根据生产井与注水井的动态生产数据表现出来的特征去反演静态的地层平均渗透率：将步骤3)得到的动态数据集划分为训练集与测试集，构建机器学习模型，输入为动态数据集，输出为样本的静态数据集；

5)使用机器学习方法利用训练集对模型的权值矩阵与偏置矩阵进行训练，获得训练模型；

6)验证所述训练模型归一化后计算结果的准确性与有效性；

7)利用所述训练模型根据动态数据集计算出的地层平均渗透率定义井间的连通系数，表征井间连通性，其中井间连通系数的计算方法为：

f_r为r区域的井间的连通系数，m_r为通过机器学习模型得到的样本储层中r区域的平均渗透率。

2.根据权利要求1所述的基于机器学习的井间连通性评价方法，其特征在于，在步骤5)中，模型的训练通过不断调整权值矩阵与偏置矩阵中的值，使得训练集输入的数据经由两个矩阵处理后得到的计算结果与训练集的输出更加接近。

3.根据权利要求2所述的基于机器学习的井间连通性评价方法，其特征在于，步骤5)还包括：

S51，初始化一个权值矩阵以及偏置矩阵进行第一次训练，将训练集的输入与权值矩阵映射相乘，再加上偏置矩阵获得第一次训练的输出结果；

S52，利用误差反向传播算法更新权值矩阵与偏置矩阵，完成机器学习模型的第一次训练；

S53，第二次训练时使用经过第一次训练更新过的权值矩阵与偏置矩阵，重复S51-S53；

S54，建立停止训练的机制，定义容忍系数，当经由损失函数计算得到的误差小于所述容忍系数时则终止训练。

4.根据权利要求3所述的基于机器学习的井间连通性评价方法，其特征在于，在S54中，当经由损失函数计算得到的误差小于所述容忍系数，且继续进行预定次数的训练，每次误差均小于所述容忍系数，则终止训练。

5.根据权利要求1所述的基于机器学习的井间连通性评价方法，其特征在于，在步骤6)中，使用平均绝对相对误差验证归一化后计算结果的准确性与有效性。

6.根据权利要求5所述的基于机器学习的井间连通性评价方法，其特征在于，步骤6)还包括：

S61，将测试集输入至机器学习模型中，计算可得到对应的输出，再进行逆归一处理，最终得到测试集的计算结果；

S62，将该计算结果与实际储层数据对比分析，使用平均绝对相对误差去分析。